CN108052982B - 一种基于贴图表情的情感检测方法以及系统 - Google Patents
一种基于贴图表情的情感检测方法以及系统 Download PDFInfo
- Publication number
- CN108052982B CN108052982B CN201711407785.4A CN201711407785A CN108052982B CN 108052982 B CN108052982 B CN 108052982B CN 201711407785 A CN201711407785 A CN 201711407785A CN 108052982 B CN108052982 B CN 108052982B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- data set
- network model
- chartlet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于贴图表情的情感检测方法以及系统,方法包括:采集带有贴图表情的文本数据;对所采集来的数据进行预处理,转换为词向量数据集;将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果。本发明可以实现对用户评论等的情感检测;进一步地,结合了多重神经网络跟注意力机制,从而提高了对于各种情绪相关的贴图表情的辨识度;通过迭代器的方式来训练模型从而节省了内存;通过迁移学习,并且逐步解冻可以训练的参数,尽可能降低了迁移学习之后过拟合的风险,充分保留了预训练模型的特性。
Description
技术领域
本发明涉及情感分析领域,尤其涉及一种基于贴图表情的情感检测方法以及系统。
背景技术
随着网络的不断发展以及社交平台的快速壮大,互联网中充斥着大量的非结构化文本数据,这里面含有很多有价值的,但是无法简单处理,进行提取的信息。因此如果能够自动对微博、评论等数据进行情感提取,则可以应用到产品或者服务的正负口碑监测,从而来改善产品功能或者服务的流程。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于贴图表情的情感检测方法以及系统。
本发明解决其技术问题所采用的技术方案是:构造一种基于贴图表情的情感检测方法,方法包括:
采集带有贴图表情的文本数据;
对所采集来的数据进行预处理,转换为词向量数据集;
将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果。
在本发明所述的基于贴图表情的情感检测方法中,所述网络模型包括:
输入层,用于接收输入的数据集并输出到嵌入层;
嵌入层,接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
激活函数层,接收来自嵌入层的数据集,在所设置的断开链接比例不为0时构建丢弃层,对数据进行变换后输出到丢弃层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;
丢弃层,接收来自激活函数层的数据集,随机将丢弃层的前一个层的输入神经元断开一定百分比,并输出数据集至双LSTM层;
双LSTM层,接收来自丢弃层或者激活函数层的数据集,并传给第一个BiLSTM层,将第一个BiLSTM层的输出传给第二个BiLSTM层,将双LSTM层的前一个层所得到的输出跟两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
关注层,接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;
分类层,接收来自关注层的数据集和权重,处理得到情感检测结果,所述情感检测结果包括各种情感类型及其概率。
在本发明所述的基于贴图表情的情感检测方法中,所述分类层包括softmax分类器和sigmoid分类器,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。
在本发明所述的基于贴图表情的情感检测方法中,所述方法还包括,在网络模型投入使用之前,执行以下训练步骤:
采集带有多种常见贴图表情的文本数据;
对所采集来的数据进行预处理,转换为词向量数据集,并且对数据集进行情感类型划分;
将数据集中的部分作为训练数据、剩余部分作为测试数据;
利用训练数据对所述网络模型进行训练;
利用训练好的网络模型对所述测试数据进行预测,记录情感检测结果;
根据该情感检测结果判断所训练好的网络模型是否达到要求,如果未达到要求,则继续利用训练数据对所述网络模型进行训练直至判断所训练好的网络模型达到要求。
在本发明所述的基于贴图表情的情感检测方法中,所述方法还包括:通过迭代器的方式来训练该网络模型。
在本发明所述的基于贴图表情的情感检测方法中,所述方法还包括:得到最终训练好的网络模型保存为hdf5文件,使用该网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层;接着从最底层开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻;最后全部解冻一起进行训练。
本发明还公开了一种基于贴图表情的情感检测系统,系统包括:
数据采集单元,用于采集带有贴图表情的文本数据;
数据预处理单元,用于对数据采集单元所采集来的数据进行预处理,转换为词向量数据集;
情感检测单元,用于将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果。
在本发明所述的基于贴图表情的情感检测系统中,所述网络模型包括:
输入层,用于接收输入的数据集并输出到嵌入层;
嵌入层,接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
激活函数层,接收来自嵌入层的数据集,在所设置的断开链接比例不为0时构建丢弃层,对数据进行变换后输出到丢弃层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;
丢弃层,接收来自激活函数层的数据集,随机将丢弃层的前一个层的输入神经元断开一定百分比,并输出数据集至双LSTM层;
双LSTM层,接收来自丢弃层或者激活函数层的数据集,并传给第一个BiLSTM层,将第一个BiLSTM层的输出传给第二个BiLSTM层,将双LSTM层的前一个层所得到的输出跟两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
关注层,接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;
分类层,接收来自关注层的数据集和权重,处理得到情感检测结果,所述情感检测结果包括各种情感类型及其概率。
在本发明所述的基于贴图表情的情感检测系统中,所述分类层包括softmax分类器和sigmoid分类器,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。
在本发明所述的基于贴图表情的情感检测系统中,系统还包括:
迁移训练单元,使用最终训练好的网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层;接着从最底层开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻;最后全部解冻一起进行训练。
实施本发明的基于贴图表情的情感检测方法以及系统,具有以下有益效果:本发明的通过采集带有贴图表情的文本数据,对所采集来的数据进行预处理,转换为词向量数据集后,可以将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果,从而实现对用户评论等的情感检测;
进一步地,结合了多重神经网络跟注意力机制,从而提高了对于各种情绪相关的贴图表情的辨识度;通过迭代器的方式来训练模型从而节省了内存;通过迁移学习,并且逐步解冻可以训练的参数,尽可能降低了迁移学习之后过拟合的风险,充分保留了预训练模型的特性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图:
图1是本发明较佳实施例提供的情感检测方法的流程示意图;
图2是本发明较佳实施例提供的网络模型示意图;
图3是本发明较佳实施例提供的迁移学习的过程示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。另外需要说明的是,当已知功能和设计的详细描述会淡化本发明的保护范围,该描述可能会被简要的说明或者是被忽略。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
参考图1,较佳实施例提供的基于贴图表情的情感检测方法,包括两个大的步骤S100和S200,S100是为了将一个空的网络模型进行训练,训练好之后的网络模型可以在步骤S200中投入使用。
下面首先对步骤S200进行详细说明。步骤S200具体包括:
S201、采集带有贴图表情的文本数据;
S202、对所采集来的数据进行预处理,转换为词向量数据集;
其中,预处理、转换为词向量数据集,具体包括:文本数据所带的标签的向量化表达,其中可用word2vec工具对文本数据进行向量化表示,将所采集的数据通过这种处理后变换为词向量数据集。
S203、将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果,情感检测结果包括各种情感类型及其概率。
参考图2,所述网络模型包括:
输入层,用于接收输入的数据集并输出到嵌入层;
嵌入层,接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
激活函数层,接收来自嵌入层的数据集,在所设置的断开链接比例不为0时构建丢弃层,对数据进行变换后输出到丢弃层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;其中激活函数层采用的是双曲正切函数对数据进行变换,公式如下所示:
tanh′(x)=1-tanh(x)2
丢弃层,接收来自激活函数层的数据集,随机将丢弃层的前一个层的输入神经元断开一定百分比,并输出数据集至双LSTM层;本发明由于采用丢弃层来进行优化训练,防止数据过于拟合。
双LSTM层,接收来自丢弃层或者激活函数层的数据集,并传给第一个BiLSTM层,将第一个BiLSTM层的输出传给第二个BiLSTM层,将双LSTM层的前一个层所得到的输出跟两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
关注层,接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;本发明的关注层通过注意力机制,可以减小处理高纬输入数据的计算负担,降低数据的维度,去伪存真,让模型更专注于找到数据集中更明显的与当前输出相关的有用信息,从而进一步提高输出的质量。
分类层,接收来自关注层的数据集和权重,处理得到情感检测结果,所述情感检测结果包括各种情感类型及其概率。所述分类层包括softmax分类器和sigmoid分类器,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。
其中,使用softmax分类器计算分类概率的公式如下:
式中pk表示样本x属于第k个类别的概率,分母为归一项,T是类别个数。
其中,使用sigmoid分类器计算分类概率的公式如下:
下面对步骤S100进行详细说明,步骤S100具体包括:
S101、采集带有多种常见贴图表情的文本数据;
S102、对所采集来的数据进行清洗、入库等预处理,转换为词向量数据集,并且对数据集进行情感类型划分;
其中,对数据集进行情感类型划分,即是对输入网络模型的数据进行标注。因为网络模型最终需要根据输入的数据输出各种情感类型及其概率,所以需要对训练网络模型的数据进行情感类型划分,例如,进行情感类型划分可以按照负面、正面、爱等不同的情绪来分类。
S103、将数据集中的部分作为训练数据、剩余部分作为测试数据;
例如,可以将80%作为训练数据,20%作为测试数据。
S104、利用训练数据对所述网络模型进行训练,具体包括:
1)建立一个空的网络模型,在该网络模型上依次添加输入层、嵌入层、激活函数层、双LSTM层、关注层、分类层。其中,双LSTM层包括两个BiLSTM层。
2)初始化输入层,嵌入层,激活函数层,两个BiLSTM层,关注层,分类器。
3)输入层接收输入的数据集并输出到嵌入层,嵌入层接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
4)激活函数层接收来自嵌入层的数据集,在所设置的断开链接比例不为0时,构建丢弃层,对数据进行变换后输出到丢弃层,丢弃层随机将丢弃层的前一个层(即激活函数层)的输入神经元断开一定百分比,并输出数据集至双LSTM层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;
5)第一个BiLSTM层接收来自丢弃层或者激活函数层的数据集,其中维度设置为512,并将输出传给第二个BiLSTM层,其中维度设置为512;
6)将双LSTM层的前一个层(丢弃层或者激活函数层)所得到的输出,即步骤4中的输出,跟步骤5)中两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
7)关注层接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;
8)分类层接收来自关注层的数据集和权重,将关注层得到的数据集跟权重进行相乘,再经过分类器进行处理得到情感检测结果,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。其中,最终的文本表示向量可以由以下公式计算求得:
et=ht*wa
公式中ht代表着时间步长t的单词表示,wa是关注层的权重矩阵,at表示对于每个时间步长t的关注重要性分数,v为文本的表示向量。
9)为了节省内存,通过迭代器的方式来训练该模型,重复步骤3)至8),持续迭代完成网络模型的训练。
S105、利用训练好的网络模型对所述测试数据进行预测,记录情感检测结果;
S106、根据该情感检测结果判断所训练好的网络模型是否达到要求,如果未达到要求,则返回步骤S104中继续利用训练数据对所述网络模型进行训练直至判断所训练好的网络模型达到要求。
优选的,参考图3,图中阴影填充表示的层处于固定状态,无填充表示的层处于解冻状态。所述方法还包括:得到最终训练好的网络模型保存为hdf5文件,使用该网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层(输出层);接着从最底层(输入层)开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻,每次仅训练其中的一个层,其他层保持固定的状态;最后全部解冻一起进行训练。
基于同一发明构思,本发明还公开了一种基于贴图表情的情感检测系统,系统包括:
数据采集单元,用于采集带有贴图表情的文本数据;
数据预处理单元,用于对数据采集单元所采集来的数据进行预处理,转换为词向量数据集;
情感检测单元,用于将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果。
所述网络模型参考上述关于方法部分的内容,此处不再赘述。
优选的,系统还包括迁移训练单元,使用最终训练好的网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层;接着从最底层开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻;最后全部解冻一起进行训练。
综上所述,实施本发明的基于贴图表情的情感检测方法以及系统,具有以下有益效果:本发明的通过采集带有贴图表情的文本数据,对所采集来的数据进行预处理,转换为词向量数据集后,可以将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果,从而实现对用户评论等的情感检测;进一步地,结合了多重神经网络跟注意力机制,从而提高了对于各种情绪相关的贴图表情的辨识度;通过迭代器的方式来训练模型从而节省了内存;通过迁移学习,并且逐步解冻可以训练的参数,尽可能降低了迁移学习之后过拟合的风险,充分保留了预训练模型的特性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于贴图表情的情感检测方法,其特征在于,方法包括:
采集带有贴图表情的文本数据;
对所采集来的数据进行预处理,转换为词向量数据集;
将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果;
其中,所述网络模型包括:
输入层,用于接收输入的数据集并输出到嵌入层;
嵌入层,接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
激活函数层,接收来自嵌入层的数据集,在所设置的断开链接比例不为0时构建丢弃层,对数据进行变换后输出到丢弃层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;
丢弃层,接收来自激活函数层的数据集,随机将丢弃层的前一个层的输入神经元断开一定百分比,并输出数据集至双LSTM层;
双LSTM层,接收来自丢弃层或者激活函数层的数据集,并传给第一个BiLSTM层,将第一个BiLSTM层的输出传给第二个BiLSTM层,将双LSTM层的前一个层所得到的输出跟两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
关注层,接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;
分类层,接收来自关注层的数据集和权重,处理得到情感检测结果,所述情感检测结果包括各种情感类型及其概率。
2.根据权利要求1所述的基于贴图表情的情感检测方法,其特征在于,所述分类层包括softmax分类器和sigmoid分类器,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。
3.根据权利要求1所述的基于贴图表情的情感检测方法,其特征在于,所述方法还包括,在网络模型投入使用之前,执行以下训练步骤:
采集带有多种常见贴图表情的文本数据;
对所采集来的数据进行预处理,转换为词向量数据集,并且对数据集进行情感类型划分;
将数据集中的部分作为训练数据、剩余部分作为测试数据;
利用训练数据对所述网络模型进行训练;
利用训练好的网络模型对所述测试数据进行预测,记录情感检测结果;
根据该情感检测结果判断所训练好的网络模型是否达到要求,如果未达到要求,则继续利用训练数据对所述网络模型进行训练直至判断所训练好的网络模型达到要求。
4.根据权利要求3所述的基于贴图表情的情感检测方法,其特征在于,所述方法还包括:通过迭代器的方式来训练该网络模型。
5.根据权利要求1所述的基于贴图表情的情感检测方法,其特征在于,所述方法还包括:得到最终训练好的网络模型保存为hdf5文件,使用该网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层;接着从最底层开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻;最后全部解冻一起进行训练。
6.一种基于贴图表情的情感检测系统,其特征在于,系统包括:
数据采集单元,用于采集带有贴图表情的文本数据;
数据预处理单元,用于对数据采集单元所采集来的数据进行预处理,转换为词向量数据集;
情感检测单元,用于将数据预处理单元生成的数据集输入一个已经训练好的网络模型,该网络模型输出相应的情感检测结果;
其中,所述网络模型包括:
输入层,用于接收输入的数据集并输出到嵌入层;
嵌入层,接受输入层输出的数据集,将数据集中不可用的数据剔除后输出到激活函数层;
激活函数层,接收来自嵌入层的数据集,在所设置的断开链接比例不为0时构建丢弃层,对数据进行变换后输出到丢弃层;在所设置的断开链接比例为0时,对数据进行变换后输出到双LSTM层;
丢弃层,接收来自激活函数层的数据集,随机将丢弃层的前一个层的输入神经元断开一定百分比,并输出数据集至双LSTM层;
双LSTM层,接收来自丢弃层或者激活函数层的数据集,并传给第一个BiLSTM层,将第一个BiLSTM层的输出传给第二个BiLSTM层,将双LSTM层的前一个层所得到的输出跟两个BiLSTM层的两个输出进行合并,输出处理后的数据到关注层;
关注层,接收来自双LSTM层的数据集,通过注意力机制获取权重的张量,并输出处理后的数据集和权重到分类器;
分类层,接收来自关注层的数据集和权重,处理得到情感检测结果,所述情感检测结果包括各种情感类型及其概率。
7.根据权利要求6所述的基于贴图表情的情感检测系统,其特征在于,所述分类层包括softmax分类器和sigmoid分类器,如果需要预测的情感类型的个数大于两种类别,则使用softmax分类器,如果需要预测的情感类型的个数为两种,则使用sigmoid分类器。
8.根据权利要求6所述的基于贴图表情的情感检测系统,其特征在于,系统还包括:
迁移训练单元,使用最终训练好的网络模型做迁移学习;在迁移学习的过程中,先固定其他层,仅训练新增的最顶层;接着从最底层开始解冻,仅训练该最底层,其他层仍旧保持固定的状态;逐步将中间各层一层一层解冻;最后全部解冻一起进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407785.4A CN108052982B (zh) | 2017-12-22 | 2017-12-22 | 一种基于贴图表情的情感检测方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407785.4A CN108052982B (zh) | 2017-12-22 | 2017-12-22 | 一种基于贴图表情的情感检测方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108052982A CN108052982A (zh) | 2018-05-18 |
CN108052982B true CN108052982B (zh) | 2021-09-03 |
Family
ID=62131457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711407785.4A Active CN108052982B (zh) | 2017-12-22 | 2017-12-22 | 一种基于贴图表情的情感检测方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052982B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555346A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 驾驶员情绪检测方法、装置、电子设备及存储介质 |
CN109522197B (zh) * | 2018-11-23 | 2022-09-27 | 每日互动股份有限公司 | 一种用户app行为的预测方法 |
CN109740148B (zh) * | 2018-12-16 | 2023-12-22 | 北京工业大学 | 一种BiLSTM结合Attention机制的文本情感分析方法 |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
CN110866398B (zh) * | 2020-01-07 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 评论文本处理方法、装置、存储介质和计算机设备 |
CN112214661B (zh) * | 2020-10-12 | 2022-04-08 | 西华大学 | 一种面向视频常规评论的情感不稳定用户检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101715118B1 (ko) * | 2016-10-26 | 2017-03-10 | 가천대학교 산학협력단 | 문서 감정 분류용 딥러닝 인코딩 장치 및 방법. |
CN106599933A (zh) * | 2016-12-26 | 2017-04-26 | 哈尔滨工业大学 | 一种基于联合深度学习模型的文本情感分类方法 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107194347A (zh) * | 2017-05-19 | 2017-09-22 | 深圳市唯特视科技有限公司 | 一种基于面部动作编码系统进行微表情检测的方法 |
CN107301171A (zh) * | 2017-08-18 | 2017-10-27 | 武汉红茶数据技术有限公司 | 一种基于情感词典学习的文本情感分析方法和系统 |
-
2017
- 2017-12-22 CN CN201711407785.4A patent/CN108052982B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101715118B1 (ko) * | 2016-10-26 | 2017-03-10 | 가천대학교 산학협력단 | 문서 감정 분류용 딥러닝 인코딩 장치 및 방법. |
CN106599933A (zh) * | 2016-12-26 | 2017-04-26 | 哈尔滨工业大学 | 一种基于联合深度学习模型的文本情感分类方法 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107194347A (zh) * | 2017-05-19 | 2017-09-22 | 深圳市唯特视科技有限公司 | 一种基于面部动作编码系统进行微表情检测的方法 |
CN107301171A (zh) * | 2017-08-18 | 2017-10-27 | 武汉红茶数据技术有限公司 | 一种基于情感词典学习的文本情感分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108052982A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052982B (zh) | 一种基于贴图表情的情感检测方法以及系统 | |
CN109271522B (zh) | 基于深度混合模型迁移学习的评论情感分类方法及系统 | |
US11620487B2 (en) | Neural architecture search based on synaptic connectivity graphs | |
CN110046248B (zh) | 用于文本分析的模型训练方法、文本分类方法和装置 | |
US20210201111A1 (en) | Predicting neuron types based on synaptic connectivity graphs | |
US11625611B2 (en) | Training artificial neural networks based on synaptic connectivity graphs | |
US11593627B2 (en) | Artificial neural network architectures based on synaptic connectivity graphs | |
US20230229891A1 (en) | Reservoir computing neural networks based on synaptic connectivity graphs | |
CN111291183A (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
CN112711953A (zh) | 一种基于注意力机制和gcn的文本多标签分类方法和系统 | |
US11631000B2 (en) | Training artificial neural networks based on synaptic connectivity graphs | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN112800225B (zh) | 一种微博评论情绪分类方法和系统 | |
CN112784918A (zh) | 基于无监督图表示学习的节点识别方法、系统、装置 | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN114048729A (zh) | 医学文献评价方法、电子设备、存储介质和程序产品 | |
CN110688484B (zh) | 一种基于不平衡贝叶斯分类的微博敏感事件言论检测方法 | |
CN115909011A (zh) | 基于改进的SE-Inception-v3网络模型的天文图像自动分类方法 | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
CN114511733A (zh) | 基于弱监督学习的细粒度图像识别方法、装置及可读介质 | |
JP2017174004A (ja) | 文意味分類算出装置、モデル学習装置、方法、及びプログラム | |
US20220188605A1 (en) | Recurrent neural network architectures based on synaptic connectivity graphs | |
US20200312432A1 (en) | Computer architecture for labeling documents | |
CN114757310B (zh) | 情感识别模型及其训练方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180703 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen yunnet bate Technology Co., Ltd. Address before: 100000 Suzhou Street, Haidian District, Haidian District, Beijing, No. 55, 3 layer 01 Applicant before: Beijing joint net Vision Culture Communication Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |